뉴로퍼지와 유전자 알고리즘의 결합모형을 이용한 수위예측에 관한...

JournalofDaeguGyeongbukDevelopmentlnstituteVol.11.No.22012.8.pp41~53 41

JournalofDaeguGyeongbukDevelopmentlnstitute

* 구경북연구원 책임연구원(AssistantResearch Fellow,Division ofRegionalCreation and Balanced Regional

Development,Daegu-GyeongbukDevelopmentInstitute),Email:[email protected],Tel:053-770-5116

뉴로퍼지 유전자 알고리즘의 결합 을 이 한

수위 측에 한 연

여 *

Study on Stream Stage Forecasting by Using Hybrid Model of

Neuro-Fuzzy and Genetic Algorithm

Woonki Yeo

국문 요약

강우-유출 계는유역의수많은시․공간 변수들에의해 향을받기때문에매우복잡하여 측

하기힘든요소이다.과거에는추계학 측모형이나확정론 측모형혹은경험 모형등을사용하

여유출량을 측하 으나최근에는인공신경망과퍼지모형그리고유 자알고리즘과같은 인공지능

기반의모형들이많이사용되고있다.하지만유출량을 측하고자할때학습자료 검정자료로써사

용되는유출량은수 -유량 계곡선식으로부터구하는경우가 부분으로이는이 게유도된유출량

의경우오차가크기때문에그 신뢰성에문제가 있을것으로 단된다.따라서본논문에서는상류의

수 측자료를이용한하류의단시간수 측에 해연구하 으며,이를 해뉴로퍼지모형과뉴로

퍼지의멤버쉽함수의매개변수를유 자알고리즘에의해최 화시킨모형에 하여 용하 다.그결

과 측모형에 한결정계수와평균제곱근오차는NF에서각각0.934～0.945,0.310～0.314로나타났으

며GANF에서각각0.947～0.949,0.244～0.323으로나타났으며,첨두오차율을비교해본결과GANF모

형이첨두를잘 측한것으로나타나유 자알고리즘을사용하여뉴로퍼지를학습시킨모형이뉴로퍼

지 모형에 비해 비교 우수한 결과를 보여주었다.

주제어:수 측,뉴로퍼지,유 자 알고리즘

Abstract

Therainfall-runoffrelationshipisverydifficulttopredictbecauseitiscomplicatedbyimpacts

ofmanytemporalandspatialparametersofthebasin.Inrecent,data-miningmodelsbasedon

artificialintelligentarefrequentlyusedtopredictdischargewhilestochastic,deterministicor

42 여 운 기

대구경북연구 제 11권 제2호

empiricalmodelswereusedinthepast.Thedischargedatawhicharegenerallyusedfor

predictionastrainingandvalidationprocessesareoftenestimatedfrom ratingcurvemethod

whichhaspotentialerrorinitsestimationwhichmakesaprobleminreliability.Therefore,in

thisstudy,shorttermpredictionofwaterstageisimplementedbyNeuro-Fuzzymodelstrained

byordinarymethodandGeneticAlgorithm.Asresults,themodeloptimizedbyGenetic

Algorithmshowsbetterforecastingabilitythanordinarytraining.TheR2,RMSEare0.934～

0.945,0.310～0.314forNFmodeland0.947～0.949,0.244～0.323forGANFmodel.Moreover,PEP

ofeachmodelshowsthatGANFmodel'spredictionabilityisbetterthanNFmodel.

Keywords:Waterstageprediction,Neuro-Fuzzy,Geneticalgorithm

Ⅰ. 론

최근의 극심한 기상이변으로 인하여 발생되는

유출량의 측에 한 사항은 치수·이수는 물론

방재의측면에서도역시매우 요한 심사로부

각되고 있다.강우-유출 계는 유역의 수많은

시․공간 변수들에의해 향을받기때문에매

우 복잡하여 측하기 힘든 요소이다.과거에는

추계학 측모형이나 확정론 측모형 혹은

경험 모형 등을 사용하여 유출량을 측하

으나 최근에는 인공 신경망(ArtificialNeural

Network)과 퍼지(Fuzzy)모형 그리고 유 자 알

고리즘(GeneticAlgorithm)과같은인공지능기반

의 모형들이 많이 사용되고 있다.최근에는 상류

의 수문조건을 이용하여 신경망이나 뉴로퍼지

(Neuro-Fuzzy)모형등을이용해서수 를 측

하는 연구들이 진행되고 있다(Wilson and

Khondker,2000;Bazartserenetal.,2003;Chau,

2006).

뉴로퍼지(Neuro-Fuzzy)는 복잡성과 불확실성

을나타내는비선형시스템에서효과 이며,이는

퍼지논리와신경망이갖는독특한특성들을살리

면서모델의효율과성능이향상되는방향으로두

모델구조를하나의모델구조로융합한형태이기

때문이다.뉴로퍼지는퍼지시스템의언어 논리

를규칙의형태로표 할 수있는능력과신경회

로망의 오류역 알고리즘을 사용한 학습기능

이서로결합한형태로양이론의장 을이용하

여 서로의 단 을 보완한 구조이다.Jang(1993)

에의해제안된ANFIS(AdaptiveNetwork-based

FuzzyInferenceSystem)모형은 Takagiand

Sugeno(1983)에 의해 제안된 if-then규칙을 사

용하며,강우-유출 모형(Gautam and Holtz,

2001;ChangandChen,2001;임기석,2004), 수

지의 유입량 측(정 명,2003),상수도 수요량

측(강일환,1999),하천의시유출량 측(고

,2001)등다양한수문사상의 측에사용되어

왔다.

유 자알고리즘은Holland(1975)가이진스트

링의개체집단 에서모의진화를일으켜효율

으로최 해를탐색하는최 의유 자알고리즘을

개발하 으며,Goldberg(1989)는 유 자 알고리

즘을이용하여비선형최 화문제를해결하는매

커니즘과강인성에 해논의하 으며,Montana

andDavis(1988),Maniezzo(1994)그리고Nasseri

etal.(2008)은유 자알고리즘을이용하여오류

역 신경망의 훈련에 이용한 바 있으며,우수

한결과를보인것으로나타났다.노경범(2001)은

신경망과유 자알고리즘의결합모형을이용하여

산강유역의유역면 평균강우량으로부터나주

뉴로퍼지와 유 자 알고리즘의 결합모형을 이용한 수 측에 한 연구 43


지 의유출량을 측한결과단시간 측에서매

우우수한결과를보여주었다.Sedkietal.(2009)

은 장기 강우-유출해석에 실수코딩 유 자 알고

리즘(Real-codedGeneticAlgorithm)을사용하여

신경망의학습을시킨결과오류역 알고리즘

을사용했을때보다 측력이우수한것으로나타

났으며,특히 수기의 측력이 신경망 단일 모

형보다 우수하 다(SrinivasuluandJain,2006).

여운기(2010)는신경망과유 자알고리즘의결합

모형을이용하여수 의 측한결과단일신경망

모형보다신경망과유 자알고리즘을결합한모

형에서 더 좋은 결과를 얻었다.

하지만유출량을 측하고자할때학습자료

검정자료로써사용되는유출량은수 -유량 계

곡선식으로부터 구하는 경우가 부분으로 이

게유도된유출량의경우오차가크기때문에그

신뢰성에 문제가 있을 것으로 단된다.

재수 -유량 계곡선은일년에수차례측

정된수 와유량의 계로부터회귀식을추정하

여개발되고있는데이때유량의 측이정 하

게이루어지기힘들고 측의횟수가충분한신뢰

성을얻기에는부족하다. 한모든수 측지

에서 매 년 수 -유량 계곡선을 개발하기에는

인력과 산문제등 실 으로어려운 이있어

몇년마다한번씩개발하고있으므로부득이하게

과거에 개발된 수 -유량곡선을 사용해야 하며,

이 때 오차를 많이 포함할 우려가 있다.

따라서 본 연구에서는 수 -유량 계곡선을

사용하지않고상류의수 측지 의자료를입

력자료로하류의수 측지 의수 를 측하

고자 하 다.이를 해서 입력과 출력만으로 모

형을 구성할 수 있으며,입출력 자료간의 인과

계로부터 미래를 측하는데 다양하게 용되고

있는뉴로퍼지모형과유 자알고리즘의기법을

이용하고자한다.뉴로퍼지의학습에유 자알고

리즘의 용성을검토하기 해뉴로퍼지를학습

에이용한모형과실수코딩유 자알고리즘을뉴

로퍼지의학습에이용한모형에 하여비교연구

하 다.

II. 뉴로퍼지 유전자 알고리즘

1. 뉴로퍼지

뉴로퍼지 모형은 신경회로망과 퍼지이론의 장

만을융합한시스템모형으로인간의사고작용

과같이학습하고추론하며기억하고인식하는등

의 기능을 하는 보다 지능 인 시스템을 만드는

것을목표로하는시스템모형이다.뉴로퍼지모형

가장 표 인 것은 ANFIS모형으로서 비선

형계통의모델링 제어에효과 으로사용되고

있으며,<그림 1>과 같은 구조를 가진다.

<그림 1> ANFIS 의 조

44 여 운 기


이 때,각 layer의 계산은 다음과 같은 과정을

따른다.

￭Layer1:이층의모든노드 는다음과같은

출력을 갖는 응 노드(Adaptivenode)이다.

(1)

여기서, 는노드 에연결된입력자료이

고 는 각 노드에 련된 퍼지 집합이다.

출력 는퍼지집합A,B의소속정도를나타

내는 멤버쉽함수이며 종형(Belltype)함수의 경

우 식 (2)의 형태로 나타낼 수 있다.

(2)

여기서, 는 매개변수이다.

￭Layer2:이층의모든노드는 로표시된고

정된 노드(Fixednode)이며 출력은사용된 퍼

지 if-then의 룰이 and이기 때문에 모든 입력

신호의 곱이다.

× (3)

￭ Layer3:이 층의모든 노드는 고정노드이며

번째노드와 련된규칙의정규화된 합도

이다.

(4)

￭Layer4:이층의노드는다음과같은함수를

갖는 응 노드(Adaptivenode)이다

(5)

￭Layer5:모든입력신호의합으로 체의출력

을 계산한다.

(6)

ANFIS모형의학습 차는크게순방향진행과

역방향진행을갖는다.학습알고리즘의순방향진

행에서노드출력값은4층까지진행되고후반부

매개변수들은 최소자승법에 의해 결정되어진다.

역방향 에서 오차신호는 역방향으로 되

고 반부매개변수들은경사하강법에의해갱신

된다.

2. 유전자 알고리즘

유 자 알고리즘은 자생존의 생물학 원리에

바탕을둔최 화기법 의하나로자연계의생명

체 환경에잘 응한개체가좀더많은자손을

남길수있다는자연선택과정과유 자의변화를

통해서좋은방향으로발 해나간다는자연진화

의과정인자연계의유 자메커니즘에바탕을둔

탐색알고리즘이다.즉,자연계의유 과진화메

커니즘을 공학 으로 모델화함으로써 잠재 인

해의 후보들을 모아 군집을 형성한 뒤 서로간의

교배혹은변이를통해서최 해를찾는계산모

델이며,그 과정은 <그림 2>와 같다.

유 자 알고리즘은 목 함수에 따라 유 자와

군집의크기를결정하여 기유 자집단을생성



한후 합도를계산하고이를바탕으로 다음세

를결정한다.재생산과정은선택(Selection),교

배(Crossover),돌연변이(Mutation)연산자를 이

용하여 해 집단의 다양성을 높이고 합도가 큰

개체의발생을기 하며, 합도가기 에만족될

때까지 재생산과정을 반복한다.일반 으로 최

화에 련된 유 자 알고리즘은 유 자집단을 0

과1을사용하는2진비트스트링(BitString)을사

용하는경우가많으나본연구에서는유 자알고

리즘을 사용하여 신경망의 연결강도를 최 화하

기 해2진비트스트링으로는한계가있기때문

에 실수코딩 유 자 알고리즘을 사용하 다.

<그림 2> 유전자 알고리즘 연산 수행 절차

선택연산자 에서많이사용되고있는것은룰

렛-휠 연산자이지만 기 세 에서 합도가 다

른개체에비해월등히높은개체가발생하면이

개체의선택확률이 무높아져서다양성이감소

되고 확률 으로 최 개체가 반드시 선택되지는

않게되는문제가있다.이에따라이러한단 을

극복할수있도록구배와유사한선택자(Gradient

-likeSelector)가 제안되고 있다(PhamandJin,

1995;Pham andJin,1996).k세 의 집단을

⋯ 라정의하고최

의벡터를 ,최 의 합도를 라할

때식(7)과같이각개체에새로운값이할당된다.

(7)

여기서 와 는각각 와

의 번째요소이고 는 번째개체의 합도

이고 는양의상수로써개체마다 서로 다른값

을 용할 수 있다.

이 게 각 개체에 새로운 값이 할당 되면

⋯

과 같이 새로운 교배 원을 형성한다.새로운 탐

색 은 와최 벡터 의일

차결합으로 정의 된다.이는 개체들의 복제를 가

피하면서집단을최 개체쪽으로유도하는

것이다.

모의진화가계속되는동안재생산과교배연산

자는집단을더욱강하게 해주고이로인하여염

색체들은서로닮아가게되어유 자의다양성결

핍으로 역 해(GlobalSolution)가 아닌지역해

(LocalSolution)에빠지게될수있다.이를벗어

나기 해 염색체 내의 일부를 확률 으로 다른

값으로 바꿔주는 돌연변이를 일으킴으로써 진화

46 여 운 기


의 기에 모든 염색체의 특정 부분이 고정되는

것을 방지해주고 탐색 역을 확 해 수 있다.

Janikow andMichalewicz(1991),Michalewicz

(1996)등은정 도를높이기 해미세조정이가

능하도록 동 돌연변이(DynamicMutation)를

고안한바있다.만약 번째유 자에서돌연변이

가 일어난다면 는 식 (8)과 같이 결정된다.

일때

일때

(8)

여기서 는0혹은1 에서하나를취하는난

수이다.는 식(9)와같은식을 이용한다.

⋅⋅ (9)

여기서,은 0과 1사이의 실수난수이며,는

알고리즘이실행되는최 세 수,는 재의세

수 는 불균등 정도를 나타내는 매개변수로서

사용자에 의해 결정된다.

모의진화과정에서유 연산자의확률 속성

때문에한세 의최 개체가다음 세 에서선

택되지 못하고 소멸되는 경우가 발생될 수 있다.

최 개체의 소멸은 좋은 특성을 가진 유 자를

잃게 되어 탐색이 침체되는 원인을 제공한다.집

단내에서가장강한개체가다음세 로변경되

지않고 달되는것을보장하기 해엘리트

략(Elitism)이 고안되었으며,일반 으로 이 방법

은유 알고리즘의성능을개선시키는것으로알

려져 있다(DeJong,1975).

3. 뉴로퍼지 유전자 알고리즘의 결합

뉴로퍼지모형에서오류역 알고리즘에의

해학습되는자료는소속함수의매개변수이며,기

존의오류역 알고리즘 신유 자알고리즘

을통해각각의매개변수를유 자배열로만들어

합도를구하고선택,교배,돌연변이를거쳐새

로운 세 로 진화하도록 하 다.이 때 신경망의

소속함수의 매개변수는 실수 값을 가지므로 2진

수화하여0과1로이루어진유 자패턴을만들기

는상당한어려움이따른다.따라서실수값을그

로유 자로사용하는실수코딩유 자알고리

즘을 사용하 다.

합도함수는뉴로퍼지모형의 방향진행에

의해계산된출력값에 한오차를최소화시키는

방향으로진행하 다.<그림3>은뉴로퍼지의학

습에사용하기 해소속함수의매개변수들을유

자알고리즘에사용되는유 자형태로표 한

것이며,<그림4>는유 자알고리즘을이용하여

뉴로퍼지를 학습시키는 과정을 도식화한 것이다.

<그림 3> 유전자 알고리즘과 뉴로퍼지 의 결합 조

<그림 4> 유전자 알고리즘과 뉴로퍼지의 결합 의 연산 수행절차



<그림 5> 대상유역

Models InputData PremiseMFConsequent

MF

NFHt-3,Ht-4,

Ht-5,Ht-6Belltype Linear

GANFHt-3,Ht-4,

Ht-5,Ht-6Belltype Linear

*NF:Neuro-FuzzyModel

GANF:Neuro-FuzzyModelOptimizedbyGenetic

Algorithm

MF:MembershipFunction

< 1> 적

III. 의 적 및 결과

1. 의 적 대상 및

본연구에서는<그림5>와같이낙동강의 류

지역에 치한 감천유역의 선산수 표의 수 를

측하기 해감천유역내의상류수 측지

인김천수 표의자료를사용하여모형을구성하

다.감천유역은유역면 이1,005km2,유로연장

이74km,본연구에서분석에사용된지 인김천

수 표지 과 선산 수 표지 이 포함되어 있는

국가하천 구간은 41km,유역경사는 30%인 유역

으로 낙동강유역의 앙부에서 서쪽으로 뻗어있

는 지류이다.

수 측을 한모형은뉴로퍼지모형과유

자 알고리즘을 이용하여 뉴로퍼지의 멤버쉽함수

를 최 화시킨 모형을 구축하여 비교하 다.본

연구에서는 홍수 경보를 한 수 를 측하기

한모형들의학습과검정을 한자료를선정하

기 해 재 낙동강홍수통제소에서 홍수 경보

의발령에사용하는기 수 를산정하는방법을

사용하 다.

낙동강홍수통제소의홍수주의보발령기 은‘홍

수 보를발령하는지 의수 가계속상승하여

주의보경계홍수 (계획홍수량의50%가흐를때

의 수 )를 과할 것이 상되는 경우’이다.이

에따라모형의출력 상인선산지 의수 가계

획홍수량의50%일때의수 를 과하는홍수사

상들을 상으로하 다.감천 하천정비기본계획

에서 제시된 선산지 의 계획홍수량은 3,000m3

/sec이며,계획홍수량의50%는1,500m3/sec가된

다.이를수 -유량 계식을사용하여수 로환

산할 경우 3.7m이다.

따라서1990년이후의홍수사상 에서이조건

에 부합하고, 측이 락되지 않은 자료가 양호

한 7개의 호우사상들을 선정하 으며,입출력 자

료로사용할수 의지체시간을선정하기 해김

천지 의수 와선산지 의수 에 해각각지

체시간별로교차상 분석을실시하여선산지 의

수 에 가장 상 도가 높은 시간을 선정하 다.

그결과상 도가가장높게나타난3,4,5,6시간

(t-3,t-4,t-5,t-6)의 김천수 표의 수 (H)를

입력변수로 구성하 다.각 모형의 구성요소는

<표 1>과 같다.

48 여 운 기


2. 최적 과 매개변수의 정

뉴로퍼지의 반부 멤버쉽함수는 여러 가지가

사용될수있으나본연구에서는각 방법을비교

해본결과가장좋은결과를보여주고있는종형

함수를사용하 다. 한학습패턴 에 한출력

층뉴런의출력값 와목 값 사이의오차

는 식 (10)과 같은 평균제곱오차를 사용하 다.

(10)

유 자 알고리즘을 이용하여 뉴로퍼지모형의

멤버쉽함수의 매개변수를 구하는 모형은 유 자

집단에실수(RealNumber)를사용한실수코딩유

자알고리즘을사용하 다.유 자집단은멤버

쉽함수의매개변수를 상으로하여난수를발생

시켜 기집단을 구성하 으며,이 때 생성 범

는 기집단에높은 합도를가질수있도록

반부멤버쉽함수에 해서는입력값의최소값과

최 값 사이의 값을 사용하 으며,후반부 멤버

쉽함수에 해서는여러번의시행착오를거쳐가

장좋은결과를보여 -4～4사이의값을사용하

다. 기 집단을 구성하는 후보유 자 수는 40

개로하 다.총세 수는200세 로하여진화연

산을 진행하 다.

유 자 집단의 교배 원을 구성하는 연산자인

재생산 연산자는 구배유사선택자를 사용하 다.

해의 탐색범 를 넓 주고 국소 해에 빠지는

상을방지해주는돌연변이연산자는동 돌연변

이를사용하 으며,이때돌연변이율은1%로하

다.

구성된유 자집단을매개변수로하는뉴로퍼

지모형을구성하여식(10)에의해계산된결과에

한역수를 합도로취하여이를최 화시키는

방향으로진화를 개하 으며, 합도에의해선

택압이 어드는것을방지하기 해스 일링

도우(ScalingWindow)를 용하여 합도 스

일링을 실시하 다. 한 진화를 거듭함에 따라

가장우수한 합도를가진유 자가사라지지않

도록 엘리트 략을 시행하 다.

3. 결과 및 고찰

우선,상류지 인김천지 의수 를사용하여

선산지 의1시간～6시간후의수 를 측한경

우 그림 6과 같은 결과를 얻을 수 있었다.그 결

과,NF모형과 GANF모형 모두 1시간 측의 경

우가가장실제의값을잘 측하고있으며 측

시간이길어질수록오차가조 씩커지고있으나

그차이가크지않아 측의정도가높은것을알

수있었다.2007년홍수 의경우첨두가크게앞

과 뒤의 두 개로 나타나는데 두 모형 모두 1시

간～6시간 측모두에서앞의첨두는과 측

되었으며 뒤의 첨두는 과소 측되는 것으로 나

타났다. 한 첨두를 제외한 나머지 부분에서는

체로 측치들이 측치보다크게 측되었다.

이는 두 개의 첨두부를 동시에 최 화하려고 했

기 때문에 발생한 결과라고 단된다.GANF모

형의 경우 NF모형의 경우와는 달리 부분 으로

수 곡선에진동부 가조 씩생기는곳이있는

것으로나타났는데이는NF모형이최소자승법과

경사하강법에의해학습되는데비해유 자알고

리즘에서는진화를 한유 자집단이난수발생

을 통해서 구성되는데다 본 연구에서 사용된

ANFIS모형의매개변수의총수가104개에달해

일부매개변수의최 화가부분 으로덜이루어

진 것으로 단된다.



(a)1시간 측 (b)2시간 측

(c)3시간 측 (d)4시간 측

(e)5시간 측 (f)6시간 측

<그림 6> 각 의 측 결과

(a)1시간 측 (b)2시간 측 (c)3시간 측

(d)4시간 측 (e)5시간 측 (f)6시간 측

<그림 7> NF 의 측 결과 산포도

50 여 운 기


< 2> 각 의 정 도 비

선행 측 시간NF GANF

R2

RMSE PEP R2

RMSE PEP

1시간 0.9445 0.310 0.2831 0.949 0.283 0.2540

2시간 0.9387 0.309 0.2787 0.947 0.244 0.1904

3시간 0.9370 0.311 0.2789 0.948 0.302 0.2730

4시간 0.9344 0.313 0.2798 0.947 0.296 0.2660

5시간 0.9340 0.314 0.2800 0.948 0.289 0.2690

6시간 0.9350 0.313 0.2770 0.947 0.295 0.2680

(a)1시간 측 (b)2시간 측 (c)3시간 측

(d)4시간 측 (e)5시간 측 (f)6시간 측

<그림 8> GANF 의 측 결과 산포도

<표 2>에서 각 모형에 한 결정계수 값과

RMSE값을 비교하 으며,그 결과 체 으로

NF모형보다는GANF모형이우수한것으로나타

났으며, 측시간이 길어질수록 결정계수 값의

차이가 조 씩 커지는 것을 알 수 있다. 한

PEP(PercentErrorinPeak)를 비교해 본 결과

NF모형에서는모두실제첨두에비해 측된첨

두가 낮게 나타났으며,그 값은 -4.24～-6.17로

측시간과 계없이비슷한결과를보여주었다.

GANF모형에서는-6.11～4.10으로 측시간과

계없이값의변동폭이NF모형보다는큰것으

로 나타났으나 체 으로 NF보다는 치가

낮게 나타나 GANF모형이 NF모형보다 첨두를

더 잘 측하는 것으로 나타났다. 체 인비교

결과두모형모두매우우수한결과를보여주고

있으나 뉴로퍼지 모형보다는 유 자 알고리즘과

뉴로퍼지의 결합모형이 조 더 우수한 것을 알

수 있다.



IV. 결 론

본 연구에서는 뉴로퍼지모형과 뉴로퍼지와 유

자알고리즘을 결합시킨 모형을 이용하여 감천

유역의선산수 표지 의수 를 측하기 해

감천유역의과거홍수사상을학습자료로하여김

천수 표지 의 수 를 학습시키고 2007년의 사

상에 해1시간～6시간후의수 를 측해보았

으며,두모형모두1시간 측의경우가가장오

차가 어실제의값을잘 측하고 있으며 측

시간이길어질수록오차가조 씩커지는것을알

수 있었다.

2007년 홍수 의 경우 첨두가 크게 앞과 뒤의

두개로나타나는데1시간～6시간 측모두에서

앞의첨두는과 측되었으며뒤의첨두는과소

측되는 것으로 나타났다. 한 뒤쪽 첨두부를

제외한나머지부분에서는 체로모든 측치들

이 측치보다 크게 산정이 되었다.

측모형에 한결정계수와평균제곱근오차는

NF에서각각0.934～0.945,0.310～0.314로나타났

으며 GANF에서 각각 0.947～0.949,0.244～0.323

으로 나타났다. 한, 측시간이 길어질수록

측력이조 씩떨어짐을알수있으나 체 으로

상당히큰값을보여주고있어두모형모두우수

한 측력을 가진 것을 알 수 있었다.

결정계수와평균제곱근오차의값으로부터GANF

모형의 경우가 가장 우수한 것으로 나타났으며,

측시간이 길어져도 결정계수의 값과 평균제곱

근오차의값의변화가NF모형에비해작게 나타

나 체 으로 측력이상 으로크게변하지

않는 것을 알 수 있다.

하지만두모형모두낮은수 에서는정확도가

높으나높은수 에선정확도가다소떨어지는모

습을보여주었다.이는두기법의학습에의해생

긴문제로 단된다.학습자료를수문곡선 체를

상으로취했기때문에수문곡선의첨두부보다

는수 가낮은자료의수가많아낮은수 쪽으

로 합이많이되어첨두부의 격한수 변화를

제 로 반 하지 못한 것으로 단된다.

체 으로단시간수 측을 해서두모형

모두좋은결과를보여주고있으나뉴로퍼지와유

자알고리즘의결합모형이가장 측력이우수

하 으며,향후 다양한 유역과 사상에 한 심화

연구를통해상류의수 로부터하류의수 를

측해낸다면단시간홍수 경보의정 도를더높

일수있을것으로 단되며,모형의정확도향상

을 해수문곡선의상승부,첨두부,감수부등의

성분별로나 어학습을진행시킨다면좋은결과

를 얻을 수 있을 것으로 기 된다.

본연구에서사용된기법은학습에는많은시간

이소요되나학습이완료된경우 측연산은매

우간단하고시간도거의소요되지않아홍수 경

보와같이인명과재산의 보호를 해사 에홍

수의규모를 측해야할 경우손쉽게 용할수

있을것으로 단되며특히,추후연구를통해기

상 보, 이더 측등으로홍수,평수, 수등의

발생규모를 상하여각각에맞는모델과수곡선

의성분별로세분화된 보모형을개발한다면보

다정확하고신속한실시간홍수 경보에충분히

사용할 수 있을 것으로 단된다.

참 고 문 헌

강일환,1999,“ANFIS이론을 이용한 상수도 일일

수량 측”, 남 학교 석사학 논문

고 ,2001,“하천의 시유출량 측을 한 퍼지신

경회로망의 용”, 남 학교 석사학 논문

노경범,2001,“유 자 알고리즘과 신경망의 결합에

의한 유출량 측”, 남 학교 석사학 논문

여운기,서 민,이승윤,지홍기,2010,“인공신경망과

52 여 운 기


유 자알고리즘의 결합모형을 이용한 수 측에

한 연구”,「한국수자원학회논문집」,43(8):

721～731.

임기석,2004,“Neuro-Fuzzy회로망을 이용한 강우-

유출 해석”, 남 학교 박사학 논문

정 명,2003,“월 유입량 측을 한 뉴로-퍼지시

스템의 용”,세종 학교 석사학 논문

Bazartseren,B.,Hildebrandt,G.,andHolz,K.P.,

2003,“Short-termwaterlevelpredictionusing

neuralnetworksandneuro-fuzzyapproach.”

Neurocomputing,55(3-4):439～450.

Chang,F.J.and Chen,Y.C.,2001,“A

counterpropagation fuzzy-neural network

modelingapproachtorealtimestreamflow

prediction”JournalofHydrology,245(1-4):15

3～164.

Chau,K.W.,2006,“Particleswarm optimization

training algorithm for ANNs in stage

prediction ofshing mun river.”Journalof

Hydrology,329(3-4):363～367.

DeJong,K.A.,1975,Ananalysisofthebehavior

ofaclassofgeneticadaptivesystems.Ph.D

dissertation,TheUniversityofMichigan,Ann

Arbor,Michigan.

Gautam,D.K.andHoltz,K.P.,2001,“Rainfall

-runoffmodellingusingadaptiveneuro-fuzzy

systems”JournalofHydroinformatics,3(1):

3～10.

Goldberg,D.E.,1989,Geneticalgorithmsinsearch,

optimization,andmachinelearning.Addison-

Wesley.

Holland,J.H.,1975,Adaptation in naturaland

artificialsystems.UniversityofMichigan

Press.

Jang,J.S.R.,1993,“ANFIS:adaptive-network

-based fuzzy inference systems” IEEE

TransactionsonSystems,Man,andCybernetics,

23(3):665～685.

Janikow,C.Z.and Michalewicz,Z.,1991,An

experimentalcomparisonofbinaryandfloating

pointrepresentationsingeneticalgorithms,

Proceedings4thInternationalConferenceon

GeneticAlgorithms,California.

Maniezzo,V.,1994,“Geneticevaluationofthe

topologyandweightdistributionofneural

network.” IEEE Transaction of Neural

Network,5(1):39～53.

Michalewicz,Z.,1996,Geneticalgorithms+data

structures = evolution programs (3rd ed.).

Springer-Verlag,BerlinHeidelberg.

Montana,D.J.,andDavis,L.,1988,“Training

feedforward neuralnetworks using genetic

algorithms.” Proceedings 11th International

JointConferenceonArtificialIntelligence,San

Mateo,California.,1:762～767.

Nasseri,M.,Asghari,K.,andAbedini,M.J.,2008,

“Optimized scenario forrainfallforecasting

usinggeneticalgorithm coupledwithartificial

neuralnetwork.” Expert Systems with

Applications,35(3):1415～1421.

Pham,D.T.,andJin,G.,1995,“Geneticalgorithm

using gradient-like reproduction operator.”

ElectronicsLetters,31(18):1558～1559.

Pham,D.T.,andJin,G.,1996,A hybridgenetic

algorithm,Proceedingsof3rdWorldCongress

onExpertSystems,Seoul,Korea

Sedki,A.,Ouazar,D.,andMazoudi,E.E.,2009,

“Evolving neuralnetwork using realcoded

genetic algorithm for daily rainfall-runoff

forecasting.”ExpertSystemswithApplications,

36(3):4523～4527.

Srinivasulu,S.,andJain,A.,2006,“Acomparative

analysisoftraining methodsforartificial

neuralnetworkrainfall-runoffmodels.”Applied



SoftComputing,6(3):295～306.

Takagi,T.andSugeno,M.,1983,Derivationof

fuzzycontrolrulesfrom humanoperator’s

controlactions,ProceedingsoftheIFAC

Symposium onFuzzyInformation,Knowledge

RepresentationandDecisionAnalysis, IFAC,

Marseille,France

Wilson,G.and Khondker,M.H.,2000,Data

selection foraflood forecasting neural

network,Proceedingsofthe4thInternational

ConferenceonHydroinformatics2000,Iowa,

USA.

논문 수일:2012.7.1,심사완료일:2012.7.25

최종원고:2012.7.31

뉴로퍼지와 유전자 알고리즘의 결합모형을 이용한 수위예측에 관한...

Documents